[論文レビュー] Using Recursive K- Means and Dijkstra Algorithm to Solve CVRP

Hassan Moussa|arXiv (Cornell University)|Jan 1, 2021

Vehicle Routing Optimization Methods被引用数 2

ひとこと要約

本論文は、容量制約付き車両巡回問題（CVRP）を解くために、最適なクライアント分割のための再帰的K-meansクラスタリング、ニュートン・ラプソン法に基づく車両配分、およびクラスタ内での最短経路ルーティングのためのダイクストラ法を統合したハイブリッドメタヒューリスティック手法を提案する。この手法は、繰り返しクラスタを最適化し、車両の容量活用率とルーティング効率を向上させることで、近似的最適解を達成する。

ABSTRACT

Capacitated vehicle routing problem (CVRP) is being one of the most common optimization problems in our days, considering the wide usage of routing algorithms in multiple fields such as transportation domain, food delivery, network routing, ... Capacitated vehicle routing problem is classified as an NP-Hard problem, hence normal optimization algorithm can't solve it. In our paper, we discuss a new way to solve the mentioned problem, using a recursive approach of the most known clustering algorithm "K-Means", one of the known shortest path algorithm "Dijkstra", and some mathematical operations. In this paper, we will show how to implement those methods together in order to get the nearest solution of the optimal route, since research and development are still on go, this research paper may be extended with another one, that will involve the implementational results of this thoric side.

研究の動機と目的

• スケーラブルでヒューリスティックに基づく解決法を用いて、NP困難な容量制約付き車両巡回問題（CVRP）に対処すること。
• ニュートン・ラプソン法を用いた数学的配分により、クライアントを車両に最適に分散させ、車両の容量活用率を最適化すること。
• 再帰的K-meansによる地理的クライアントのクラスタリングと、容量および距離制約に基づくクラスタの最適化により、ルーティング効率を向上させること。
• 各車両のルート内での最短経路を計算するために、クラスタドサブグラフにダイクストラ法を適用し、総走行コストを最小化すること。
• 今後の研究で実証的実装結果と統合可能な理論的枠組みを提供すること。

提案手法

• 再帰的K-meansクラスタリングを用いて、車両の容量に一致するようにクライアントをクラスタに分割する。各再帰ステップでクラスタが分割され、容量制約が満たされるまで繰り返す。
• 非線形方程式系を解くためにニュートン・ラプソン法を適用し、車両数を最小化しつつ容量制約を満たす最適な車両配分を求める。
• 重心間の距離と容量のしきい値に基づき、クラスタを統合または分割する階層的最適化フェーズを実装し、利用率を向上させる。
• 頂点（位置）と辺（ルート）からなるグラフとしてルーティング領域を表現し、各クラスタ内でのノード間の最短経路を求めるためにダイクストラ法を適用する。
• ダイクストラ法の実装で優先度キューのデータ構造を用い、キュー操作に依存する時間計算量で効率的に最短経路を計算する。
• 再帰的クラスタリング手順を追跡するフェーズツリーを構築し、最終的なリーフノードが車両に割り当てられた最適化されたクラスタを表す。

実験結果

リサーチクエスチョン

• RQ1 再帰的K-meansクラスタリングは、標準的なK-meansと比較して、CVRPにおけるクライアント分割の品質を向上させることができるか？
• RQ2 ニュートン・ラプソン法は、容量クラスごとの最適な車両数を効果的に決定するためにどのように適用可能か？
• RQ3 重心間の距離と容量制約に基づくクラスタリング後の最適化は、車両の活用率をどの程度向上させるか？
• RQ4 クラスタドサブグラフ内にダイクストラ法を統合することで、CVRPにおける総ルーティングコストはどの程度低減されるか？
• RQ5 教師なしクラスタリングと最短経路アルゴリズムを組み合わせたハイブリッド手法は、NP困難なCVRPインスタンスに対して近似的最適解を達成できるか？

主な発見

• 再帰的K-means手法は、車両の容量制約を満たすクラスタにクライアントを効果的に分割し、ノード数が車両容量と一致するまでクラスタが終了する。
• ニュートン・ラプソン法は、最適な車両配分の数値的近似を提供し、クライアント総数が車両容量の合計と一致することを保証する。
• 最適化フェーズにより、重心間の距離と容量の妥当性に基づき、低利用率のクラスタを近隣の未満杯クラスタと統合することで、クラスタの利用率が向上する。
• ダイクストラ法は、各クラスタ内での最短経路を効果的に計算し、ドアからすべてのクラスタノードへの効率的なルーティングを可能にする。
• 本フレームワークは、クラスタリング、容量バランス、経路最適化を段階的に統合することで、近似的最適解を生成する。
• 本手法は理論的に妥当であり、今後の研究で実証的実装結果と統合可能なように設計されている。